本発明は、運動クラス類別装置及び追尾処理装置に係り、特に、運動クラスの異なる複数の追尾フィルタを備え、それぞれにフィルタ処理して得た、目標の観測値に対する平滑値及び運動クラスに対する尤度を用いて、目標の運動クラスに関する類別情報を得る運動クラス類別装置、及び類別情報に基づき各追尾フィルタからの平滑値を統合する追尾処理装置に関する。
レーダシステム等により捕捉した目標の動きを継続して観測し、その位置情報を含む各種目標情報に対して平滑化や予測処理等を行なう追尾処理装置が知られている(例えば、非特許文献1参照。)。追尾処理においては、追尾フィルタを構成して目標情報の平滑化及び予測等の処理を行なう。この種の追尾フィルタは、例えば対象とする目標の運動クラスや目標を観測する運用環境等に適合させてその処理アルゴリズムやパラメータ設定は種々に選択・構成されるとともに、フィルタ処理結果としての追尾情報に対してさらに後段の処理を加え、追尾処理装置として所期の追尾性能を維持するように構成されることもある。また、運動クラスの異なる複数の追尾フィルタを用い、それぞれの追尾フィルタから追尾情報のひとつとして出力される尤度情報に基づいて目標の運動クラスを類別しつつ、この類別結果により複数の追尾フィルタからの平滑位置等の追尾情報を統合するように構成された追尾処理装置の事例も開示されている。
図9は、このように構成された、従来の目標の運動クラスを類別する運動クラス類別装置を備えた追尾処理装置の一例を示すブロック図である。この図9に例示した従来の追尾処理装置5は、観測値を運動クラスの異なる複数の追尾フィルタで処理したそれぞれの尤度に基づき目標の運動クラスを類別する運動クラス類別装置6、及びその類別結果に基づき複数の追尾フィルタからの平滑ベクトルを統合する追尾情報統合部70から構成されている。
まず、運動クラス類別装置6は、異なる運動クラスに対応づけて設けられた追尾フィルタとしての複数S個のクラスフィルタ611〜61Sを備えた目標追尾部61、及びこれらクラスフィルタ611〜61Sから出力される、目標のそれぞれの運動クラスに対する尤度に基づいてそれらのクラス確率及び目標の運動クラスの類別結果を出力する目標類別部62から構成されている。目標追尾部61のS個の各クラスフィルタはそれぞれ次のように構成されている。すなわち、クラスc(1≦c≦S)のクラスフィルタは、r(c)個のモードに対応する運動モデルを有し、これら運動モデル毎に対応する運動パラメータu(c、m)(ただし、mは1〜r(c))が設定されている。そして、これら運動パラメータを含むフィルタパラメータの設定によりそれぞれのクラスフィルタが1つの運動クラスに対応付けられるように構成されている。
より具体的な構成や設定等の事例として、目標追尾部61のクラスフィルタを2個(S=2)とし、その運動クラスをクラスフィルタ611は低機動運動に、クラスフィルタ612は高機動運動にそれぞれ対応づけた場合について以下に記述する。この場合、それぞれのクラスフィルタの運動モデルの数を、例えばいずれも3(r(1)=r(2)=3)とし、その運動モデルを、例えば等速直線運動(m=1)、右旋回運動(m=2)、及び左旋回運動(m=3)の3つとする。また、運動モデルの加速度を運動パラメータとして、それぞれのクラスフィルタ毎に運動クラスに対応づけてそのパラメータ値を設定する。例えば、クラスフィルタ611には、等速直線運動の加速度パラメータu(1、1)=0G、右旋回運動の加速度パラメータu(1、2)=+1G、及び左旋回運動の加速度パラメータu(1、3)=−1Gをフィルタパラメータとして設定し、その運動クラスとして低機動運動に対応づける。一方、クラスフィルタ612には、等速直線運動の加速度パラメータu(2、1)=0G、右旋回運動の加速度パラメータu(2、2)=+5G、及び左旋回運動の加速度パラメータu(2、3)=−5Gをフィルタパラメータとして設定することによって、その運動クラスを高機動運動に対応づける。このようにして、この事例では、クラスフィルタ611はフィルタパラメータを(0G、+1G、−1G)として目標の低機動運動に、またクラスフィルタ612はフィルタパラメータを(0G、+5G、−5G)として目標の高機動運動にそれぞれ適合した追尾フィルタとして構成されることになる。
また、クラスc(1≦c≦S)のクラスフィルタは、レーダシステム等からの観測k回目の観測ベクトルY(k)を入力してフィルタ処理を行ない、それぞれに観測k回目のクラス平滑ベクトルX(c、k|k)、及びクラス尤度L(c、k)を算出し出力する。算出処理はクラスフィルタを構成するフィルタアルゴリズムによって異なるが、一例としてクラスフィルタにIMM(Interacting Multiple Model)フィルタを用いた場合は、それぞれ次式により算出される。
ここに、X(c、i、k|k)は、クラスc、モードi、観測k回目のモード平滑ベクトルである。μ(c、i、k)は、クラスc、モードi、観測k回目のモード確率である。L(c、i、k)は、クラスc、モードi、観測k回目のモード尤度を表す。
目標類別部62は、目標追尾部61のS個のクラスフィルタのそれぞれから出力されるクラスcの観測k回目のクラス尤度L(c、k)に基づき、クラスcの観測k回目のクラス確率P(c、k)、及び観測k回目における目標の運動クラスの類別結果を出力する。クラスcの観測k回目のクラス確率P(c、k)は、以下の式で算出される。
また、各クラス毎に算出されたクラス確率は、それぞれの運動クラスに対する確率に対応しているので、目標類別部62は、これら算出したクラス確率の値に基づき目標の運動クラスを類別しその結果を出力する。
一方、追尾情報統合部70は、複数のクラスフィルタからの平滑ベクトルをひとつに統合する手法としては、例えば、それぞれのクラス平滑ベクトルを目標類別部62にて算出された、対応するクラス確率により重み付け加算する手法があり、以下の式で算出される。
次に、図9の運動クラス類別装置6及び追尾処理装置5の動作について、信号処理の流れに沿って説明する。なお、目標追尾部61のクラスフィルタとしては、上述の事例のように、フィルタアルゴリズムをIMMフィルタとし、運動クラスとして目標の低機動運動に適合したクラスフィルタ611、及び高機動運動に適合したクラスフィルタ612の2個のクラスフィルタを備えているものとしている。
まず、レーダシステム等(図示せず)により観測された目標の観測ベクトルが逐次送られてくると、各クラスフィルタ611及び612において、パラメータ設定された処理アルゴリズムに従って、式(1)及び式(2)により、k回目の観測毎にそれぞれクラス平滑ベクトルX(1、k|k)、及びX(2、k|k)、ならびにクラス尤度L(1、k)及びL(2、k)が算出される。算出された2つのクラス尤度L(1、k)及びL(2、k)は目標類別部62に送出されると、目標類別部62においては、式(3)に従ってこれら2つのクラス尤度からk回目の観測におけるクラス確率P(1、k)、及びP(2、k)が算出される。これらのクラス確率は、観測ベクトルがそれぞれの運動クラス、すなわち低機動運動、または高機動運動に適合する確率に相当する。そして、例えば算出されたクラス確率の値の大小関係等に基づき最も適合する運動クラスが判定され、運動クラス類別結果として目標類別部62から後段に送出されるとともに、算出されたクラス確率P(1、k)、及びP(2、k)は、目標情報統合部70にも送出される。
一方、目標情報統合部70においては、運動クラスの異なる2つのクラスフィルタ611及び612からのクラス平滑ベクトルX(1、k|k)、及びX(2、k|k)が、目標類別部62にて算出されたそれぞれのクラス確率P(1、k)、及びP(2、k)に基づき重み付けされて目標の運動クラスに適合するように統合され、統合平滑ベクトルX(k|k)となって後段に出力される。
このように、図9の追尾処理装置5においては、運動クラスの異なる追尾フィルタとしてのクラスフィルタ611及び612にてフィルタ処理したそれぞれのクラス尤度に基づいて観測した目標の運動クラスをクラス確率により類別する運動クラス類別装置6を有し、これらクラス確率を用いてそれぞれのクラスフィルタ611及び612からのクラス平滑ベクトルを統合することにより、観測k回目の追尾処理結果を目標の運動クラスに適合した確かなものとしている。
ところで、レーダシステム等から追尾処理装置5、または運動クラス類別装置6に送られてくる観測ベクトルには、観測中のノイズ等を含む種々の要因により、観測誤差が含まれる。このため、目標追尾部61内のそれぞれのクラスフィルタで式(2)を用いて算出されるクラス尤度L(c、k)も、それぞれにこれら観測誤差の影響を受け、後段での運動クラス類別時の誤差要因となる。さらに、観測誤差の影響を受けたクラス尤度L(c、k)が目標類別部62に入力されると、目標類別部62では式(3)のように再帰的な処理によりクラス確率が算出されるために前段からの観測誤差が累積され、クラス確率の算出結果に正確さを欠くという課題があった。
本発明は上述の事情を考慮してなされたものであり、運動クラスの異なる複数の追尾フィルタのフィルタ処理結果に含まれる観測誤差の影響を低減して、目標の運動クラスに関する類別情報の確度を向上させた運動クラス類別装置、及びこの類別情報を用いて目標の追尾情報の確度を向上させた追尾処理装置を提供することを目的とする。
上記目的を達成するために、本発明の運動クラス類別装置は、複数の運動モデルを有する追尾フィルタに対してこれら運動モデルのパラメータ設定範囲の異なるサブセットをそれぞれ異なる運動クラスに対応させ、これら異なる運動クラス毎に設けられた複数の追尾フィルタにより算出されるそれぞれの運動クラスに対する尤度に基づき目標の運動クラスを類別する運動クラス類別装置において、前記運動クラスに対応させて設けられ、それぞれに目標の観測値に対するフィルタ処理を行なって運動クラスに対する尤度及び平滑ベクトルを含む追尾情報を出力する複数の追尾フィルタと、これら追尾フィルタからの前記各運動クラスに対する尤度を観測時刻に沿って時系列に記憶する尤度記憶部と、この尤度記憶部に記憶された時系列の前記各運動クラスに対する尤度に基づき最新の観測時刻における前記各運動クラスに対する尤度を分析し分析尤度として出力する尤度分析部と、この尤度分析部からの分析尤度に基づき前記目標の運動が前記運動クラスのそれぞれに合致するクラス確率を前記各運動クラス毎に算出するとともに、これらクラス確率に基づき前記目標の運動クラスを類別する目標類別部とを有することを特徴とする。
また、本発明の追尾処理装置は、上記の運動クラス類別装置に加え、前記複数の追尾フィルタからの平滑ベクトルのそれぞれを前記目標類別部で算出された対応するクラス確率により重み付け加算し、統合平滑ベクトルとして出力する追尾情報統合部を備えたことを特徴とする。
本発明によれば、運動クラスの異なる複数の追尾フィルタのフィルタ処理結果に含まれる観測誤差の影響を低減することができ、目標の運動クラスに関する類別情報の確度を向上させた運動クラス類別装置、及びこの類別情報を用いて目標の追尾情報の確度を向上させた追尾処理装置を得ることができる。
以下に、本発明に係る運動クラス類別装置及び追尾処理装置を実施するための最良の形態について、図1乃至図8を参照して説明する。なお、図9に例示した従来の運動クラス類別装置6及び追尾処理装置5と同一の構成には同一符号を付して詳細な説明は省略する。
図1は、本発明に係る運動クラス類別装置、及びこの運動クラス類別装置を備えた本発明に係る追尾処理装置の第1の実施例の構成を示すブロック図である。まず、運動クラス類別装置について説明する。
この図1に例示した運動クラス類別装置2は、目標追尾部61、尤度記憶部21、尤度分析部22、及び目標類別部62から構成されている。目標追尾部61は、図9に例示した目標追尾部61と同一に構成されており、異なる運動クラスに対応づけて設けられた追尾フィルタとしての複数S個のクラスフィルタ611〜61Sを備えている。これらS個の各クラスフィルタはそれぞれ次のように構成されている。すなわち、クラスc(1≦c≦S)のクラスフィルタは、r(c)個のモードに対応する運動モデルを有し、これら運動モデル毎に対応する運動パラメータu(c、m)(ただし、mは1〜r(c))が設定されている。そして、これら運動パラメータを含むフィルタパラメータの設定によりそれぞれのクラスフィルタが1つの運動クラスに対応づけられるように構成されている。
また、これらクラスフィルタには、そのフィルタ処理アルゴリズムとして、例えばIMM(Interacting Multiple Model)フィルタ等が用いられ、レーダシステム等(図示せず)からの観測k回目の観測ベクトルY(k)を入力してフィルタ処理を行ない、それぞれに観測k回目のクラス平滑ベクトルX(c、k|k)、及びクラス尤度L(c、k)(ただし、1≦c≦S)を算出し、これらを追尾情報として出力する。ここで算出されたクラス尤度L(c、k)は、観測ベクトルY(k)がそれぞれのクラスフィルタに運動モデルのパラメータ値として設定された運動クラスに適合するとされる尤度である。
尤度記憶部21は、目標追尾部61内の各クラスフィルタ611〜61Sからのクラス尤度L(c、k)を、観測時刻に沿って観測回数順に時系列に記憶する。本実施例においては、尤度記憶部21は、最新の観測であるk回目から遡ってあらかじめ設定された所定の回数n回分の観測に対するクラス尤度を時系列に記憶するものとしている。
尤度分析部22は、尤度記憶部21に記憶された時系列のクラス尤度に基づき最新の観測k回目におけるクラス尤度L(c、k)を分析し、その結果を最新の観測k回目における分析尤度L2(c、k)として出力する。本実施例においては、分析尤度L2(c、k)を得るにあたって、尤度記憶部21の記憶内容を参照し、いずれかのクラスフィルタからのクラス尤度が所定の回数m回、連続してあらかじめ設定されたしきい値LTH(c)を超えた場合には、各クラスフィルタからのクラス尤度L(c、k)をそのまま分析尤度L2(c、k)として出力し、それ以外の場合には、あらかじめ設定された固定値を分析尤度L2(c、k)として出力するように構成されているものとしている。
目標類別部62は、図9に例示した目標類別部62と同一に構成されており、尤度分析部22で分析後の分析尤度L2(c、k)に基づき、それぞれの運動クラスに対応した観測k回目のクラス確率P(c、k)、及び観測k回目における目標の運動クラスの類別結果を算出し出力する。
次に、追尾処理装置について説明する。この図1に例示した追尾処理装置1は、上述の運動クラス類別装置2、及び追尾情報統合部70から構成されている。運動クラス類別装置2は、上述したように、運動クラスの異なる追尾フィルタである複数のクラスフィルタを備え、観測ベクトルをフィルタ処理してクラス平滑ベクトルを得るとともに、目標のクラス確率を算出してその運動クラスを類別する。追尾情報統合部70は、図9に例示した追尾情報統合部70と同一に構成されており、運動クラス類別装置2から出力される観測k回目のクラス平滑ベクトルX(c、k|k)を、観測k回目のクラス確率P(c、k)により重み付け加算して統合し、統合平滑ベクトルX(k|k)として出力する。
次に、前出の図1、ならびに図2のフローチャート及び図3乃至図5の説明図を参照して、上述のように構成された本実施例の運動クラス類別装置を含む追尾処理装置の動作について説明する。なお、以下の説明においては、運動クラス類別装置2の目標追尾部61内のクラスフィルタは、クラスフィルタ611、及びクラスフィルタ612の2個として、いずれもIMM(Interacting Multiple Model)フィルタ処理アルゴリズムを備え、それぞれのクラスフィルタのフィルタパラメータには前出の図9で説明した運動パラメータが設定されているものとしている。すなわち、クラスフィルタ611は、運動クラスとして目標の低機動運動に適合したクラスフィルタ、またクラスフィルタ612は、運動クラスとして高機動運動に適合したクラスフィルタとしてそれぞれ構成されているものとして説明する。
図2は、図1に例示した本発明に係る運動クラス類別装置2を含む追尾処理装置1の第1の実施例の動作を説明するためのフローチャートである。まず、観測k回目における観測ベクトルY(k)が入力されると、この観測ベクトルY(k)は、目標追尾部61に送られる(ST201)。目標追尾部61では、内部の2つのクラスフィルタ611及び612において、それぞれに観測k回目のクラス平滑ベクトルX(c、k|k)が算出される。クラス平滑ベクトルは式(1)により算出され、低機動運動クラスのクラスフィルタ611からはクラス平滑ベクトルX(1、k|k)が、また、高機動運動クラスのクラスフィルタ612からはクラス平滑ベクトルX(2、k|k)がそれぞれに算出されて、追尾情報統合部70に送出される(ST202)。あわせて、クラスフィルタ611及び612において、クラス尤度L(c、k)も算出される。クラス尤度は式(2)により算出され、クラスフィルタ611からは低機動運動クラスに対するクラス尤度L(1、k)が、またクラスフィルタ612からは高機動運動クラスに対するクラス尤度L(2、k)がそれぞれに算出され、尤度記憶部21及び尤度分析22に送出される(ST203)。
尤度記憶部21には、クラスフィルタ611及び612から送られてきた、直前の観測である(k−1)回目までのクラス尤度が観測回数n回分、時系列に記憶されており、これにそれぞれのクラスフィルタから観測k回目のクラス尤度L(c、k)が新たに送られてくると、その記憶内容は更新される。すなわち、その内容は、{L(c、k−n)、L(c、k−n+1)、・ ・ ・ ・、L(c、k−1)、L(c、k)}と表記されるものとなる。なお、c=1はクラスフィルタ611からの低機動運動クラスに対するクラス尤度、c=2はクラスフィルタ612からの高機動運動クラスに対するクラス尤度である(ST204)。
尤度分析部22は、これら尤度記憶部21に時系列に記憶された各クラスフィルタからのクラス尤度に基づき最新の観測k回目におけるL(c、k)を分析し、その結果を分析尤度L2(c、k)として出力する。ここで、ある種の機動運動を行なっている目標を観測した場合、この機動運動に適合した運動クラスのクラス尤度が時間的に連続して高くなる可能性が高く、単発的な観測誤差等による場合は、このような可能性は低くなると考えられる。従って、尤度記憶部21の記憶内容を参照し、複数の運動クラスの中の少なくとも1つの運動クラスに対するクラス尤度が直前のm回連続してあらかじめ設定されたしきい値LTH(c)を超えた場合、目標の機動運動が観測されたものとして、各クラスフィルタからのクラス尤度L(c、k)をそのまま分析尤度L2(c、k)として出力する。一方、上記以外の場合には、目標の機動運動は観測されなかったものとして、あらかじめ設定された固定値を分析尤度L2(c、k)として出力する。
この分析時の、クラス尤度L(c、k)、分析尤度L2(c、k)及び尤度記憶部21の記憶内容の関係をモデル化して図3に例示する。この事例では、尤度記憶部21の記憶内容として、最新の観測であるk回目の値を含め、時系列に7回分の値を例示している。また、簡単のため連続回数mを2回、しきい値LTH(c)をいずれも0.67、あらかじめ設定された分析尤度の固定値を0.5とした場合を示している。最新の観測であるk回目においては、クラスフィルタ611からのクラス尤度L(1、k)は、直前のk−1回目のクラス尤度L(1、k−1)とともに2回連続してしきい値を超えている。クラスフィルタ612からのクラス尤度L(2、k)は、しきい値を超えて居らず、その直前のL(2、k−1)もしきい値を超えていない。従って、k回目の観測においては、クラスフィルタ611からのクラス尤度が2回連続してしきい値を超えているので(ST205のY)、分析尤度L2としては、それぞれのクラスフィルタからの観測k回目のクラス尤度[L(1、k)、L(2、k)]が出力されることになる。また、直前のk−1回目の観測においても、同様にそのときのそれぞれのクラスフィルタからのクラス尤度[L(1、k−1)L(2、k−1)]が出力される(ST206)。
一方、例えば、k−2回目の観測においては、クラスフィルタ611からのクラス尤度L(1、k−2)はしきい値を超えているが、その直前のクラス尤度L(1、k−3)はしきい値を超えていない。また、クラスフィルタ612からのクラス尤度L(2、k−2)は、しきい値を超えて居らず、その直前のL(2、k−3)もしきい値を超えていない。従って、いずれのクラスフィルタからのクラス尤度とも、2回連続してしきい値を超えていないので(ST205のN)、この時の分析尤度L2(c、k−2)としては、あらかじめ設定された値として、[0.5、0.5]が出力される(ST207)。そして、これらの分析尤度L2は、目標類別部62に送出される。
目標類別部62では、これら尤度分析部22からの分析尤度L2(c、k)に基づいて、クラス確率P(c、k)が算出される。本実施例においては、低機動運動クラスのクラス確率P(1、k)、及び高機動運動クラスのクラス確率P(2、k)が、それぞれ式(3)に基づき次式により算出される。
このようにして算出されたクラス確率のシミュレーション結果の一例を図4及び図5に例示する。これらは、いずれも尤度分析部22でのしきい値LTH(c)を0.67、連続回数mを2回とした場合の高機動運動クラスのクラス確率P(2、k)を示しており、図4は目標が機動運動を行なっていない場合、図5は、目標が機動運動として20秒毎に3秒間、1Gおきに1Gから5Gまでの加速度運動を行なった場合を、それぞれ従来例とともに描いたものである。図4においては、目標が機動運動を行なっていないにもかかわらず、従来例の場合にはクラス確率が上昇しているのに対し、本実施例の場合にはこれが改善され、あまり上昇していない。また図5においては、従来例の場合には目標が高機動運動クラスに達しない2G加速(40秒)前に、すでにこのクラス確率が0.9を超えている。これに対し、本実施例の場合には、2G加速(40秒)前にはあまり上昇せず、その後に大幅に上昇しており、目標の運動クラス(この場合は高機動運動クラス)と良好に対応したものとなっている(ST208)。
このように、式(5)及び式(6)により算出されたクラス確率P(1、k)、及びP(2、k)は、観測ベクトルがそれぞれ低機動運動クラス、及び高機動運動クラスに適合する確率に相当する。目標類別部62では、さらにこれら算出されたクラス確率を用いて、観測ベクトルを最も適合する運動クラスに対応づける、運動クラスの類別が行なわれる。類別にあたっては、例えば、それぞれの運動クラスに対応させて、あらかじめクラス確率に対するしきい値PTH(c)を設定しておき、このしきい値を超えた場合に該当する運動クラスに類別するといった手法等が適用できる。この手法を本実施例に適用すると、低機動運動クラスのクラス確率P(1、k)がしきい値PTH(1)を超えた場合には低機動運動クラスとして、一方、高機動運動クラスのクラス確率P(2、k)がしきい値PTH(2)を超えた場合には高機動運動クラスとしてそれぞれ類別される。そして、この運動クラス類別結果は、クラス確率とともに目標の運動クラスに関する類別情報として運動クラス類別装置2から後段の機器等(図示せず)に向け出力されるとともに、クラス確率は追尾情報統合部70に送出される(ST209)。
目標情報統合部70では、運動クラスの異なる2つのクラスフィルタ611及び612からのクラス平滑ベクトルX(1、k|k)、及びX(2、k|k)が、目標類別部62にて算出されたそれぞれのクラス確率P(1、k)、及びP(2、k)に基づき重み付けされて統合され、統合平滑ベクトルX(k|k)が算出される。本実施例においては、統合平滑ベクトルは、式(4)に基づき次式により算出される。
3次元空間の追尾を行なう場合、目標追尾部61からのクラス平滑ベクトルは、例えば、x、y、及びzの3軸それぞれについての平滑位置及び平滑速度を含んでおり、目標情報統合部70で統合後の統合平滑ベクトルX(k|k)も同様に、x、y、及びzの3軸それぞれについて、統合された平滑位置及び平滑速度を含んでいる。すなわち、この場合には、[px(k|k)、py(k|k)、pz(k|k)、vx(k|k)、vy(k|k)、vz(k|k)]と表記される。ただし、px(k|k)、py(k|k)、pz(k|k)は、それぞれx軸、y軸、z軸の統合平滑位置、vx(k|k)、vy(k|k)、vz(k|k)は、それぞれx軸、y軸、z軸の統合平滑速度を示す(ST210)。そして、この後は、動作の終了が指示されるまで、上記したST201からの動作ステップが繰り返される(ST211)。
以上説明したように、本実施例の運動クラス類別装置においては、異なる運動クラス毎に設けられた複数のクラスフィルタにより観測ベクトルをフィルタ処理したクラス尤度を時系列に記憶しておき、最新の観測におけるクラス尤度を分析して分析尤度を導出する際は、この時系列の記憶内容を参照していずれかのクラス尤度が時間的に連続して所定のしきい値を超えた場合には各クラスフィルタで算出したクラス尤度を、またそれ以外の場合には所定の固定値を採用し出力している。これにより、時間的に連続しないような観測誤差等がクラス尤度に与える影響を低減することができるとともに、さらにその後段でのクラス確率算出時における誤差の累積が起こりにくくなってクラス確率の精度が向上するので、目標の運動クラスの類別結果をより確かなものにすることができる。
また、本実施例の追尾処理装置においては、このような運動クラス類別装置からの良好な精度のクラス確率を用いて各クラスフィルタからのクラス平滑ベクトルを統合し、目標の追尾情報としての統合平滑ベクトルを得ているので、その確度を向上させることができる。
図6は、本発明に係る運動クラス類別装置、及びこの運動クラス類別装置を備えた本発明に係る追尾処理装置の第2の実施例の構成を示すブロック図である。また、図8は、その動作を説明するためのフローチャートである。この第2の実施例について、図1乃至図3に示す第1の実施例の各部と同一の部分は同一の符号で示し、その説明は省略または簡略化する。この第2の実施例が第1の実施例と異なる点は、尤度分析部22において尤度記憶部21に記憶された時系列のクラス尤度に基づき分析尤度を得る際に、第1の実施例においてはいずれかの時系列のクラス尤度が時間的に連続して所定のしきい値を超えたか否かの判定結果により分析尤度を導出したのに対し、第2の実施例においては、あらかじめ目標の複数の運動パターンに関係づけされたクラス尤度の時系列パターンとその各パターン毎に所定の分析尤度を対応づけて登録したデータベースを設け、このデータベース中から、尤度記憶部21の記憶内容に最も適合するクラス尤度の時系列パターンを検索することにより分析尤度を導出するようにした点である。また、あわせて目標の機動運動の有無を判定して目標類別部62に通知するとともに、目標類別部62ではこの通知に基づき機動運動なしの場合には、目標の類別情報としてのクラス確率の更新をしないように制御し、更新した場合には更新回数を計数するようにした点である。以下、前出の図1乃至図3、ならびに図6乃至図8を参照して、その相違点のみを説明する。
図6に例示したように、この運動クラス類別装置4は、目標追尾部61、尤度記憶部21、尤度分析部22、及び目標類別部62に加え、クラス尤度の時系列パターンDB23を備えている。クラス尤度の時系列パターンDB23は、あらかじめ目標の複数の運動パターンに関係づけされた、目標追尾部61の各追尾フィルタからの運動クラスに対するクラス尤度の時系列パターンと、その各パターン毎にあらかじめ設定された所定の分析尤度とを対応づけて登録したデータベースであり、その一例を図7に例示する。
この図7に事例では、異なる運動パラメータ値により特徴づけられた複数の運動パターンをモデル化し、これら運動パターンのそれぞれについて、該当する運動パターンを有する目標が観測された時のクラス尤度の時系列パターンのモデルと、分析尤度とが対応付けされている。すなわち、この事例では、旋回角度、旋回加速度、及び継続時間の3つの運動パラメータ値で特徴づけられた運動パターンとして、急旋回、急上昇、蛇行、の3つの運動パターンを取りあげ、それぞれの運動パターンが観測された時の連続3観測分のクラス尤度の時系列パターンのモデル[Mi(c、k−2)、Mi(c、k−1)、Mi(c、k)]と、目標類別部62の入力となる分析尤度L2i(c、k)が対応づけられて登録されている。あわせて、機動運動の有無を判定するための「非機動」の運動パターンも登録されている。
尤度分析部22は、尤度記憶部21に記憶された時系列のクラス尤度に基づき分析尤度を得る際にこのクラス尤度の時系列パターンDB23を検索し、尤度記憶部21の記憶内容に最も適合するクラス尤度の時系列パターンに対応づけられたクラス尤度L2(c、k)を取得して目標類別部62に送出する。加えて、このクラス尤度の時系列パターンDB23の検索により、運動パターンが「非機動」に適合した場合には、その旨を機動判定結果として目標類別部62に通知する。目標類別部62は、この通知に基づいて、「非機動」の場合にはクラス確率の更新を行なわない。一方、クラス確率を更新した場合にはその回数を計数する。
また、図6に例示した追尾処理装置3は、上述の運動クラス類別装置4、及び追尾情報統合部70から構成されている。運動クラス類別装置4は、観測ベクトルをフィルタ処理してクラス平滑ベクトルを得るとともに、上述のようにクラス尤度の時系列パターンDBを有し、その検索結果による分析尤度を用いてクラス確率を算出し運動クラスの類別を行なう。追尾情報統合部70は、運動クラス類別装置4からクラス平滑ベクトルをクラス確率により重み付け加算して統合し、統合平滑ベクトルとして出力する。
次に、図8のフローチャートを参照して、本実施例の運動クラス類別装置を含む追尾処理装置の動作について説明する。まず、観測k回目の観測ベクトルY(k)が入力されると、第1の実施例と同様に、目標追尾部61のそれぞれのクラスフィルタ611及び612により、クラス平滑ベクトルX(c、k|k)、及びクラス尤度L(c、k)が算出され、算出されたクラス尤度は順次尤度記憶部21に送られて時系列に記憶される(ST201〜ST204)。
尤度分析部22では、クラス尤度の時系列パターンDB23を検索し、尤度記憶部21の記憶内容に最も適合するクラス尤度の時系列パターンのモデルを抽出して、そのモデルに対応づけられた運動パターン、及び分析尤度L2i(c、k)が取得される。最も適合するクラス尤度の時系列パターンのモデルを抽出するには、例えば、図7に例示したようにクラス尤度の時系列パターンのモデルが連続3回の観測でモデル化されている場合には、尤度記憶部21の記憶内容から、直前のk−2回目からk回目までの連続する3回の観測によるクラス尤度L(c、k)を取り出し、これとクラス尤度の時系列パターンDB23の運動パターン毎の各モデル値との観測回数毎の差の二乗平均の総和の大小で比較する手法等が適用できる。そして、取得した分析尤度L2(c、k)は、目標類別部62に送出される(ST81)。さらにこの尤度分析部22における上記の分析によって適合する運動パターンが「非機動」との判定の場合には、機動判定結果としてその旨があわせて目標類別部62に送出される(ST82)。
目標類別部62では、これら尤度分析部22からの分析尤度L2(c、k)に基づいて、クラス確率P(c、k)が算出されるが、本実施例においては、その算出は、併せて尤度分析部22から送られてくる機動判定結果により次のように制御される。すなわち、機動判定結果が「非機動」ではない場合には(ST83のN)、式(5)及び式(6)により低機動運動クラス及び高機動運動クラスのそれぞれのクラス確率が算出され、その値は更新される(ST208)。さらに、値の更新とともに、更新回数がカウントアップされる(ST84)。一方、機動判定結果が「非機動」の場合には(ST83のY)、クラス確率は前回の算出結果のまま更新されない。従って、この場合は低機動運動クラス及び高機動運動クラスのそれぞれのクラス確率は、次式の通りである。このようにして、算出されるそれぞれのクラス確率に対する誤差の累積を低減している。(ST85)
この後は、実施例1と同様に更に目標類別部62において、算出されたクラス確率を用いて観測ベクトルに対する運動クラスの類別が行なわれ(ST209)、追尾情報統合部70では、目標類別部62で算出されたクラス確率に基づきそれぞれのクラス平滑ベクトルが重み付けされて統合され、統合平滑ベクトルが算出される(ST210)。そして、動作の終了が指示されるまで、上記したST201からの動作ステップが繰り返される(ST211)。
以上説明したように、本実施例の運動クラス類別装置においては、あらかじめ目標の複数の運動パターンに関係づけされたクラス尤度の時系列パターンとその各パターン毎に所定の分析尤度を対応づけて登録したデータベースを設け、最新の観測におけるクラス尤度を分析して分析尤度を導出する際は、このデータベース中から、尤度記憶部21の記憶内容に最も適合するクラス尤度の時系列パターンを検索することにより分析尤度を導出している。あわせて、目標の機動運動の有無を判定し、機動運動なしの場合にはクラス確率を更新しないように制御している。
これにより、第1の実施例と同様に、観測誤差等がクラス尤度に与える影響を低減できるとともに、クラス確率算出時における誤差の累積をより低減することができる。従って、クラス確率の精度が向上するので、目標の運動クラスの類別結果をより確かなものにすることができる。加えて、本実施例では、時系列に記憶したクラス尤度を、第1の実施例のようにしきい値を設けて比較するのではなく、データベース化されたクラス尤度の時系列パターンのモデルと直接照合しているので、第1の実施例に比べて、特に低機動運動クラスに対する検出性能を向上させることができる。さらに、クラス確率を更新した回数を計数しており、この更新回数、あるいは観測回数との比率を算出し後段に出力することにより、目標の運動クラス類別結果に対する付帯情報として後段での処理を支援することができる。
また、本実施例の追尾処理装置においても、このような運動クラス類別装置からのより良好な精度のクラス確率を用いて各クラスフィルタからのクラス平滑ベクトルを統合し、目標の追尾情報としての統合平滑ベクトルを得ているので、その確度を一層向上させることができる。
なお、この発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。
本発明に係る運動クラス類別装置、及びこの運動クラス類別装置を備えた本発明に係る追尾処理装置の第1の実施例の構成を示すブロック図。
図1に例示した運動クラス類別装置を含む追尾処理装置の動作を説明するためのフローチャート。
クラス尤度、分析尤度、及び尤度記憶部21の記憶内容の関係をモデル化した説明図。
目標が機動運動を行なっていない場合の高機動クラスのクラス確率のシミュレーション結果の一例を示す図。
目標が高機動運動を行なっている場合の高機動クラスのクラス確率のシミュレーション結果の一例を示す図。
本発明に係る運動クラス類別装置、及びこの運動クラス類別装置を備えた本発明に係る追尾処理装置の第2の実施例の構成を示すブロック図。
クラス尤度の時系列パターンDB23の一例をモデル化して示す説明図。
図6に例示した運動クラス類別装置を含む追尾処理装置の動作を説明するためのフローチャート。
従来の運動クラス類別装置を備えた追尾処理装置の一例を示すブロック図。
符号の説明
1、3、5 追尾処理装置
2、4、6 運動クラス類別装置
21 尤度記憶部
22 尤度分析部
23 クラス尤度の時系列パターンDB
61 目標追尾部
62 目標類別部
70 追尾情報統合部
611、612 クラスフィルタ